数据分析案例

数据分析报告撰写

                             ———手机APP数据

背景介绍

2015年1月5日，人民银行批准八家机构进行数据的收集。此后，中国个人征信行业进入高速发展期，征信人口覆盖率达50%，每人每年查询个人征信报告的次数为5，查询服务单价为25元，从而，征信市场未来规模约855亿元。什么是征信?简单而言，市民小强买新出的BMW，问题钱不够，便找银行贷款。银行找来帮手——征信机构，征信机构根据小强在日常消费、事业单位、相关政府部门中的个人基本信息、支付、借还款等信息，对小强进行征信评分或评级，这就是征信的基本内容。如下为征信流程：

 

征信发挥着重要基础作用。征信降低了交易中存在参与双方信息不对成而带来的交易风险，从而起到风险判断和揭示的作用。同时，征信促成信用交易的达成，促进金融信用产品和商业信誉产品的创新，在互联网飞速发展下，有效矿大信用交易的范围和方式，带动信用经济规模的扩张。征信将信息价值最大化，通过专业化的信用信息的服务，更快更准确做出决策，提高经济主体的运行效率。而征信业是社会信用体系建设的重要组成部分，发展征信业有助于遏制不良信用行为的发生，保障守信者利益，促进社会良好和谐的经济秩序，完善社会信用体系建设。

信用数据源的割裂是征信领域的主要问题。P2P行业的信用数据获取渠道极其有限，个人信用数据部分依靠借款用户自行提交，部分依靠平台上门征集，造成运营成本压力和管理压力。事业单位、相关政府部门的数据之间的交叉融合非常少，较为分散。大数据的兴起，利用我国互联网、移动互联网用户规模大的优势，有效填补了信用数据问题。其中，APP数据尤为重要。智能手机的普及，使得APP数据来源具备普遍性，覆盖人群广。手机上网比例，大众花在浏览APP的时间日平均3小时。而APP的成为大众消费、贷款、办公等个人或办公信息交流的平台。获得APP数据的合法需求和可允许要求低，APP数据的获取渠道多，自由获取，数据的规模可控，时效性非常强，真实可信，可用性高，价值高。手机APP数据纳入征信体系，能减轻数据获取成本，促进大数据风险控制的发展和信用信息共享，打破“数据孤岛”的僵局，为其提供一个契机，更有望促进我国征信体系发展，为建设我国信用社会提供有力支持。

数据说明

APP得分数据集由包含一个用户的手机设备号，基础信息和一系列APP的安装情况的原始数据集计算得到。数据集共1000条观测，每条观测表示一个用户的APP得分，共11个变量，变量具体说明如表1-1

表1-1

变量类型		变量名	详细说明	取值范围	备注
因变量		是否按期还款	定性数据 共两个水平	违约：0 不违约：1	违约率20%
自变量	用户信息	性别	定性数据 共两个水平	男：0 女：1	男性比例51.3%
		年龄	定量数据	18~50	取整数
		省份指数	定量数据	0.003732~2.993349	均值：1.1775
	APP信息衍生变量	管理类APP个数	定量数据	0~24	均值：3.163
		好APP个数	定量数据	1~42	均值：12.77
		坏APP个数	定量数据	0~55	均值：9.859
		总APP个数	定量数据	12~124	均值：41.74
		小众APP个数	定量数据	0~19	均值：4.129
		用户极优指数	定量数据	1.003~2.993	均值：1.839
		借贷类APP个数	定量数据	0~16	均值：2.752

数据探索性分析

用户年龄分布主要集中在18~29岁，符合现实，该年龄段为新一代紧贴时代脚步，多数在外为梦想拼搏，为手机使用高频人群。而违约分组箱线图中可以得到，不违约的用户极优指数均值远高于违约人群，且不违约人群总体极优指数偏高，对于是否违约有明确的指示作用。

对于APP衍生变量的分析，有直方图可得：各APP数据呈右边分布，各自的取值相对集中，其中好的APP个数和总的个数近似正态分布。好的APP个数12766占总比30.58%，坏的APP个数9859占总比23.62%，两者相差并无明显差距。管理类与借贷类同样没有明显的差距。但，坏的APP个数需要给予关注，情况并不乐观。

逻辑斯蒂回归系数

如表1-2

 

 

 

 

表1-2

变量	系数估计	P值	备注
截距项	1.6739	<0.01
是否为女性-是	-0.5629	<0.01	基准组：男性
借贷类	-0.2061	<0.01	-
管理类	0.1214	<0.01
好的	0.1238	<0.01
坏的	-0.03654	<0.01
总的	-0.02285	<0.01
小众的	0.09674	<0.01
省份指数	0.3692	<0.01
极优指数	0.7661	<0.01
X1	0.6277	0.027	基准组：（37，50] X1：[18,26]    X2:(26，29] X3:  (29,32]    X4:(32,37]
X2	-0.0098	0.97
X3	-0.2197	0.47
X4	-0.2976	0.33

显著性水平为0.01

可得除了x1-x4系数不显著，其他系数估计的P值小于0.01，显著有效。其中，小众的、好的、管理类、省份指数、极优指数的系数估计为正，说明在其他因素控制不变的情况下，上述自变量的增加会导致因变量为1，即非违约率增加。而且上述变量每增加一单位，log-0dds增加的程度变大。相反，女性、借贷类、坏的、总的的系数估计为负，给非违约率带来的影响与系数估计为正的相反。而x1-x4为不同的年龄段，以（37，50]为基准组，可得，相对较高的年龄段，[18，26]这一年龄段的人数的系数估计为正的0.6277，对非违约率由促进作用。而与年龄与高年龄段接近的情况，则对非违约率有反作用。这一现象可能与教育水平相关，相对[18,26]这一年龄段人群，学历较高，熟悉社会，抵制诱惑能力较强，批判能力较强以及正确观念。

 

 

 

 

 

 

ROC曲线

ROC曲线下方的面积能反映该模型的预测能力，AUC值越大模型预测能力越强。此处AUC为0.832，说明该模型具有优秀的预测的能力。

预测

利用该模型对测试数据集（从得分数据集中随机抽选20%得到）进行测试，阈值设为0.78，预测结果混淆矩阵如下：

		真实值		总计
		0	1
预测值	0	26	5		31
	1	50	119		169
总计		76	124		200

可得错分率为27.50%，TPR为70.41%，FPR为16.13%。所选阈值会直接影响到是前三者的取值，而与AUC值无关。由多次抽取预测取平均值可得结论：该模型稳定，预测能力良好。

 

人群划分图

可由下图得：由该数据进行逻辑斯蒂建模，对人群回测效果较好，从人群分类上说，大部分用户属于良好，即不存在违约可能性较低。该数据集对象年龄段[18,29]占比52%，劳动能力强，学历较高，生活自主能力强，有固定的收入，现代人理财观念增强，使得平均非违约率偏高的重要原因。

 

结论

对于APP得分数据集探索征信问题的案例分析，首先，数据集的选取非常合理，覆盖面广，手机是私人的专属物品，在手机的使用情况，具有唯一性，使其具有很高的分析价值。其次，构建了很稳定有效的APP得分，很大程度开发了数据。而选择逻辑斯蒂回归模型进行分类是合适的。使得自变量的系数估计通过显著性检验，同时得到极具价值的信息，管理以及好的APP给用户带来更加健康，高质量的信息，有利于用户提高生活质量，是社会所需要以及宣传的。而对于年龄段偏高人群，应该反馈回归结论，并进行引导。有助于自身的健康发展，又促进社会和谐风气。